2025中国人工智能学会系列白皮书⸺航天器智能精准运维2025

中国人工智能学会系列白皮书航天器智能精准运维2025中国人工智能学会二○二五年七月ChineseAssociationforArtificialIntelligence《中国人工智能学会系列白皮书》编委会周志华孙富春庄越挺胡德文杜军平杨强委员：陈松灿董振江付宜利高新波公茂果古天龙何 清胡清华黄河燕季向阳蒋田仔林浩哲梁吉业刘奕群潘 纲石光明孙茂松孙长银陶建华王海峰王熙照王 轩王蕴红吴 飞于 剑余有成张化光张学工章 毅周鸿祎周 杰祝烈煌目 录第1章引言 1第2章 航天能精准维的与内涵 5航天智能准运维定义 5航天智能准运维内涵 6第3章 基于协同的天器精准运机制 9基于边协的航天智能运维环境 10基于邦学的智能准运主更新略 12智能准运关键技的关系 15第4章 数据技术 17不完数据强技术 18不均样本强技术 18理论表成果 19第5章 状态技术 21基于型的态监测术 22数据动的态监测术 22理论表成果 27第6章 异常技术 29基于号处的异常测技术 30基于析模的异常测技术 31基于据驱的异常测技术 31理论表成果 33第7章 故障技术 35基于析模的故障断技术 36基于号处的故障断技术 37基于工智的故障断技术 38理论表成果 40第8章 健康技术 45基于型的康评估法 46基于据驱的评估法 47基于态估的评估法 48理论表成果 49第9章 寿命技术 52基于效机的寿命测技术 53基于据驱的寿命测技术 53基于合模的寿命测技术 54理论表成果 55第10章 航天器能精准维技应用情况 5810.1 美国 6010.2 欧洲 6710.3 日本 7310.4 中国 76第章 航天能精准维技发展趋与关术 78发展势 78关键术 80第12章结束语 84第1章引言天器带来重大的安全隐患甚至是致命伤害。例如：美国的钱德拉X（hndaX-ayOseatr1.1图1.1 美的钱拉X射天文星1）（）1.2姿态控制装置等发生了一系列的故障与技术问题，导致归期延迟3年。图1.2 日的“鸟”小星探器改；可以概括为“安全模式+专家支持+硬件备份+解析冗余”[1]。现如图136年4164个小1620[2]。图1.3 日的“日葵”星在云端（地面测控基站，通过运维技术的定制化与规模化，实现高（（第2章 航器智能精准运维的概念与内涵航天器智能精准运维的定义智能运维自身状态信息顶层任务能力约束控制器、执行机构反馈信息任务指令序列、自主管理指令操控执行指令被控对象（空间无人系统作用环境目标星载智能计算体系自身状态、目标/事件、环境/态势等感知GNC分系统决策（简称GNC）智能运维自身状态信息顶层任务能力约束控制器、执行机构反馈信息任务指令序列、自主管理指令操控执行指令被控对象（空间无人系统作用环境目标星载智能计算体系自身状态、目标/事件、环境/态势等感知GNC分系统决策图2.1 智精准维与GNC系统关联关系航天器智能精准运维的内涵智能程度2.2智能程度智能精准运维流程化 智能运维智能精准运维流程化 智能运维构建智能精标准化运维利用人工智准运维管理人工运维 能、大数据系统，完工具标准化等技术、为无人参与通过人工干 人工决策提自主智能预维护系统 供参考 正常运行图2.2 航器运的技术展脉络（2.3所示自主状态感知：自主故障定位：自主评估预测：航天器通过状态监测、数据分析和模型推续的自主任务决策提供科学依据，最大限度地减少故障对任务的影响。自主学习更新：空间无人系统智能精准运维空间无人系统智能精准运维空间无人系统智能精准运维技术运维人员不易达智能精准运维技术先验知识不完备资源配置不充分卫星探测器巡视器核心数据不共享外部环境感知自身状态感知数据 信息监测 支持本体感知 环境感知 其他对象感知 监测数据采集外部环境感知本体状态感知自主故障定位故障定位特点 故障信息识别 故障定位 信息结合状态感知结果快速性定位算法识别故障位置解析故障原因故障定位自主健康评估 自主寿命预测运行 性能数据 指标感知数据分析 故障定位结果 健康状态评估 健康状态分析 数据采集处理单部件退化建模 单部件特征选择单个部件系统评估评估预测预测自主容错控制自主重构技术系统 运维状态 需求诊断结果分析 故障自动恢复 冗余设计备份 改变机构配置-自主学习更新技术学习更新自主学习技术自主更新技术内外环境感知持续学习探索自主运维本体适应性学习更新全生命周期任务响应性 可重复使用运维自学习自迭代优化自主智能稳定可靠配置合理高效运维容错控制策略更新自主重构技术优化数据特征学习更新模型算法选择优化异常特征提取完善故障定位调整优化环境感知状态监测异常检测模型提升图2.3 航器智精准运技术涵2.1表2.1 不运维术内涵对比表运维类型内涵特点技术手段目标传统运维通过人工干预手段，维护系统正常运行人为失误不可避免操作复杂手动操作保障系统正常运行智能运维基于人工智能仅依靠数据驱动智能化程度高人工智能、大数据分析等先进技术提升智能水性维护与自动化处理智能精准运维人工智能与机理知识的有机融合，实现运维过程的自主化、无人化自主性更强具备自主学习与自适应优化、调整与更新等自主技术同步提升智能水平与精运维全过程自主化与持续优化第3章 基云边协同的航天器智能精准运维机制目前，基于“安全模式+专家支持+硬件备份+解析冗余”的航天（）（（航天器，完成数据的实时采集与计算，实现强实时应用的快速部（性（对环境先验知识掌握不够完备，需要通过模型、知识与数据的本部分将重点从运维环境、更新策略与关联关系三个方面，详细阐述基于云边协同的航天器智能精准运维机制的总体架构与运行机理。基于云边协同的航天器智能精准运维环境层级（如图31中心云层/硬件资源（服务器）搭建，具备极强边缘层维平台提供部分存储与即时计算服务，同时也为现场层中的航天器（现场层（图3.1 基云边同的航器智准运维境示图如图32所示中心云层的功能组成上调用历史运维数据和专家经验知识，通过一系列的大数据处理操（网页界面及AP边缘层的功能组成现场层的功能组成图3.2 航器智精准系中不级的功组成基于联邦学习的智能精准运维自主更新策略（如图33基于云边协同方式实现航天器运维智能水平与精准能力跨越提升的现场运维模式基于实时数据，调用在边缘层聚合并部署在智能精准运维模块中的轻量化模型与算法（例如，异常检测和故障诊断的模型算法边缘运维模式（/可以根据“确诊”结果的精度，实现模型算法的自主更新与主动学地面运维模式的运维模型算法（例如，健康评估与寿命预测的模型算法，实现支“确诊断结果的图形显示与最终确认。图3.3 基联邦习的智精准自主更策略断精度。智能精准运维关键技术的关联关系6辑关系具体如图34/识别结果的对比分析，进一步实现故障6提升数据质量提升数据质量扩充样本数量数据基础关注实时状态定期收集数据分析监测数据识别异常行为分析异常数据故障定位隔离全面分析数据量化运行状态估计剩余寿命提前采取措施寿命预测技术健康评估技术故障诊断技术异常检测技术状态监测技术数据增强技术图3.4 智精准维六大键技逻辑关图第4章 数增强技术表4.1不同数据增强技术的优缺点对比分析数据增强技术具体途径优点缺点不完整数据增强技术基于机理的数据填充提高后续模型对缺高维异构参数在不同采样区间的数据对齐难以还原训练数据的真实样貌基于人工智能的数据填充算力要求高、计算代价大不均衡样本增强技术基于重采样的样本增强增加故障样本数量提高模型对故障样提高模型的泛化能力，避免对正常样本的过拟合1）型过拟合2）息，影响模型精度基于生成对抗网络的样本增强易引入失真数据，影响模型准确性4.1所示。不完整数据增强技术数据增强问题。文献[3]和[4]较早关注到了不完整数据对机器学习方现有成果主要可以分成如下两类：的鲁棒性。常用方法包括：均值插值方法[5]、分布插值方法[6]基于人工智能的数据填充：利用深度学习等智能技术，通不均衡样本增强技术样本不均衡是指：航天器运维场景中关注的正样本（故障样本）（现有技术主要可以分成以下两类：①过采样。主要包含以下两种方法：a.重复采样：从少数类别少数类别的样本数量；b.合成采样：通过在特征空间中对少数类样理论代表成果在运维领域，具有代表性的理论研究成果包括：在不完整数据增强方面，文献[5]采用均值插值方法在缺失值附行补全。文献[6]基于分布插值方法，使用决策树对缺失值进行预测插值补全。文献[7提出了一种时间序列的双向递归填补模型（BRITS，无需任何特定假设，通过递归预测方式填补多维时序数据的缺失。文献[8]使用快速理解（GRU-U）模型，结合衰减机制与缺失点前的均值来估计缺失值。在不均衡样本增强方面，文献[9]提出了基于样本密度分布的自（T[10]（AYT[12]（CEA[13]制的辅助条件生成对抗网络（SA-ACGAN）的故障样本生成方法，通过度量判别器与生成器之间的相对性能来自适应调节生成器的损[14]成对抗网络的故障数据增强方法，采用梯度惩罚推土机距离[15]的“分割-增强-（C）策略，该策略根据实例的特征对其进[16]与不均衡样本进行填补与扩充，能够提高后续智能运维模型的准确第5章 状监测技术两类：5.1点。表5.1 不状态测技术优缺比分析状态监测技术具体途径优点缺点基于模型的状态监测技术--无需历史运行数据具有较强的可解释性与准确性1）难以建立复杂系统的精确数学模型2）未建模因素影响大，适用性较低数据驱动的状态监测技术的状态监测态监测的状态监测基于支持向量机的无需系统建模需要大量历史数要求高结果缺乏可解释赖于算法鲁棒性状态监测状态监测基于神经网络的状态监测基于模型的状态监测技术通过定性描述和定量表达的方式来建立研究对象失效机理的数学模[17]。数据驱动的状态监测技术65.2表5.2 监参数类型划分分类标准类别举例按照数据特点数字量单元的开/关机情况模拟量温度、电压、电流、压力按照数据存储类型整型标识字、状态字浮点型温度、电压、电流、压力按照物理量相同物理含义的参量电压、电流、温度、角度等按照分系统相同子系统的参量为一类推进、电源、姿轨控、星务等按照数据变化幅度静态参数门限内模拟量遥测输出平稳动态参数在门限内有较大波动按照航天器采样率慢遥测采样率较小快遥测采样率较大[18–28]：基于时间序列分析的状态监测技术ARMA开展基于多变量时间序列数据的航天器状态监测研究是当前该类技基于匹特里网的状态监测技术匹特里网（Petri网）是一种图形和数学结合的建模工具，主要用于描述和分析具有并发、同步和资源共享特性的分布式和实时系统。Petri网结构可用于表征系统中各事件的依赖关系和可能发生的保存事件发生的标记（状态Petrietri需求：点。基于灰色聚类理论的状态监测技术G程模型来寻求原始序列数据之间隐含的关系。常用的几种模型有GM(1,1)GM(1,N)GM(1,1)GM基于支持向量机的状态监测技术（V（基于贝叶斯网络的状态监测技术（和依赖强度（定量信息分析。维数据随时间变化的规律，探索变量之间的动态关系并融合原有模基于神经网络的状态监测技术反向传播神经网络（BP）作为神经网络中的一种典型结构，通下两种方式实现航天器的状态监测：①利用神经网络的训练迭代步挖掘并提取微小故障的前期征兆特性，进一步提升状态监测的稳定理论代表成果在运维领域，具有代表性的理论研究成果包括：文献[29][30]文献[31][32]PSO-SVR[33][34]BP[35][36]基于自回归模型（AR[37][38]ARMA[39]提出了一种非线性退化AR[40]ARMA[41]利用长短时记忆网络（LSTM）监视与5~20振动值变化而引起的系统级状态变化与微小故障的实时监测与趋势[42][43]环境。第6章 异检测技术根据检测机理的不同，大致可分为以下三类：6.1表6.1 不异常测技术优缺比分析异常检测技术具体途径优点缺点基于信号处理的异常检测技术基于输出信号处理的异常检测基于小波变换的异常检测基于时间序列分析的异常检测无需建立复杂数学模型实现简单、实时性高、适应性强难以处理高无法检测早基于解析模型的异常检测技术状态估计法等价空间法参数估计法依赖于精准的运维机理模型可解释性强模型费时费力与运维数据的动态特性难以用解析模型完全描述基于数据驱动的异常检测技术基于特征空间的异常检测基于统计模型的异常检测基于智能寻优的异常检测1）基于特征提取捕捉运维数据的内在特性2）无需完备的先验知识3）有效处理复杂数据集1）需要结合领域知识和试验调整合适的检测阈值2）无法应对模式切换情况3）算法容易过拟合或陷入局部最优解基于信号处理的异常检测技术基于解析模型的异常检测技术该类技术又可以细分为以下三种[44]：基于数据驱动的异常检测技术数据来检测、识别系统在运行过程中的非预期行为或突发的异常状[45]基于特征空间的异常检测技术（如K-meansDBSCAN等如LOF、LocalOutlierFactor）基于统计模型的异常检测技术、（tARMAARMA（）模型，为了解决非平稳序列的问题，又改进得到了ARIMA基于智能寻优的异常检测技术结合智能优化算法的空间搜索与异常分析能力，快速、智能地发理论代表成果在运维领域，具有代表性的理论研究成果包括：文献[46]QR对于航天系统冗余捷联惯组的异常，文献[47]基于等价空间原理的OPTt（tO[48][49]ARMA[50]针对航天器中的动量轮[51][52][54][55][56]使用星间测距（ISR）的卫星星座异常检测框架，结合刚性图理论与[57]LSTM、短时傅里叶变换与移动平均预测器等方法检测异常，再利用神经网[58]（MAP）MPP[59]TransformerCNN、RNN、LSTM[60]常检测，结合多种智能检测模型实现航天器运行状态的早期异常检[61]（LSTM）的异常检测方法。文献[62]提出第7章 故诊断技术[63–87]：7.1表7.1 不故障断技术优缺比分析故障诊断技术具体途径优点缺点基于解析模型的故障诊断技术自适应观测器强跟踪滤波器未知输入观测器需硬件或解析冗余诊断结果精度高难以精准建模易受模型不确定性影响基于信号处理的故障诊断技术基于小波分析基于经验模态1）无需了解系统的物理知识与机理特性2）原理简单操作性强实时性好赖于数据质量潜在故障基于人工智能的故障诊断技术基于知识和神基于定性模型基于数据挖掘的智能故障诊断无需了解系统的物理知识与机理特性依赖于数据质超参数设置缺定性模型的离散化建模会影响诊断的精准性基于解析模型的故障诊断技术基于解析模型的故障诊断技术主要分为残差生成和残差评价两使用线性或非线性的状态观测器；而在噪声必须被考虑的随机情况随着该类方法研究的不断深入，出现了多种智能观测器与滤波器，具有代表性的方法包括：未知输入观测器，从系统鲁棒性角度出发，解决实际系统（噪声、故障等、线性化误差、建模误差等难以预料因素而导致的诊基于信号处理的故障诊断技术（该类技术根据实现机理的不同，又可以细分成如下两种[107–109]：基于小波分析的故障诊断（该技术由于能够提供运维数据的时频表示，可以有效揭示其局部特征；具有高效性和准确性，适用于非平稳、非周期性的信号处理，常用于数据降噪[110-111]以及单维数据的特征提取[112]。基于经验模态分解（EMD）的故障诊断根据运维数据自身的时间尺度特征进行信号分解来实现航天器天器的运维数据信号分解为一系列具有不同特征尺度的本征模函数（IF，利用这些包含信号不同时间尺度的局部特征，反映系统的潜在故障。基于人工智能的故障诊断技术隐含的故障信息。根据模型建立方法的不同，又可细分为以下三类[113–126]：基于知识和神经网络的智能故障诊断技术该类技术首先汇总航天器运维领域内的丰富工程经验与故障数（网络、径向基函数（RBF）网络等，将故障向量作为输入、诊断结果作为（的基于定性模型的智能故障诊断技术该类技术首先根据航天器中各组件或者遥测数据之间的耦合关国外针对高超声速飞行器和国际空间站的最新故障诊断研究成是人工智能领域学者提出的一类新型技术，仅利用不完备的先验知行为即可实现故障隔离与定位；但诊断的准确性完全依赖于定性模基于数据挖掘的智能故障诊断技术②基于描述型数据挖掘的智能诊断：通过探索航天器运维数据中的关联关系来描述故障特征。侧重于发现和描述故障数据内在特征、模式以及数据之间关系，更关注如何揭示数据中的潜在信息和规律，多用于解决复合故障的精准隔离与定位问题。[128]理论代表成果在运维领域，具有代表性的理论研究成果包括：文献[90][98]（MarsEprs[08离与评估，提出了一种自适应更新网络权值的算法。文献[114]设计了一种适用于某类型航天器地面及飞行状态监测的实时故障诊断专家系统（DS，该系统通过总结原理性、结构性知识和专家经GNC[121]GNC实现了执行器微小故障的有效诊断。文献[124]针对航天器资源不充GNC[125]GNC分（ICA）ICA升了辨识精度。文献[126提出了一种新颖的模糊C均值方法（KM，利用该方法的无监督学习特性，能够有效诊断动量轮的优势。文献[129]提出了一种基于扩展卡尔曼滤波器和与闭环系统性GNC分系统姿态跟踪与故障诊断。文献[130]针对运载火箭姿态控制问题，建立大小。文献[131]基于改进的非线性微分代数方法设计残差滤波器，组合鲁棒故障检测和隔离。文献[132]设计了基于故障树的故障诊断与健康管理专家系统软件平台，应用并推广于多类航空航天测控设[133]SVM疏特征矩阵来实现故障分类、识别。文献[134]将一维轴承数据输入文献[135]使用叠积卷积自编码器预训练的深度卷积神经网络，分别提出了一种紧凑型自适应一维卷积神经网络用于实时轴承故障诊断，其中网络输入为原始时序数据，无需任何变换。文献[137]针模型的加速深度神经网络。文献[138]开发了一个生成对抗网络与时域卷积神经网络（GAN-TCNN）复合的模型，完成特征提取简化学19采用K邻近K分析。文献[140]针对航天器控制系统故障闭环传播和数据维数高的问题，提出了一种基于序列数据-图像映射的智能故障诊断方法，将CNN和LSTM[141]2（LMI）[142]IMM/EA生成重构控制器对原系统进行补偿控制。文献[143]通过引入改进的粒子群算法优化高级卷积块（MPSO-ACBCNN）方法，解决卫星姿CNN献[144]在贝叶斯框架内集成了一组系统化组织的自动编码器，介绍文献[145]针对小卫星集群研究了具有非线性动力学特性的多种多智献[146结合格拉姆角场（GAF）算法与深度转移卷积神经网络（TN，提出了一种基于数据驱动的卫星电源系统故障诊断方法。值得一提的是，文献[101]和[105]，不同于传统抓“两头”的研突破了航天器自主故障诊断与重构亟需解决的重大基础问题和技术7.1所示。开始开始开始开始需求分析需求分析需求分析否满足任务要求？严苛约束条件(如受限的星上资源等)是否否满足任务要求？否满足任务要求？满足任务要求？是是是结束结束结束诊断重构算法设计基于可诊断性可重构性的系统结构和诊断重构算法的一体化设计系统结构设计基于可诊断性可重构性的诊断重构算法设计基于可诊断性可重构性的系统结构设计基于可诊断性可重构性的非一体化设计流程

基于可诊断性可重构性的一体化设计流程图7.1 基可诊性与可构性主诊断构流意图第8章 健评估技术按照实现原理的不同，健康评估技术大致可分为以下三类：8.1表8.1 不健康估技术优缺比分析健康评估技术优点缺点基于模型的健康评估技术预测未来可能出现的故障或问题提供系统行为的细致模拟系统的复杂性与多变性会影响模型准确性对参数估计与校准要求高适用范围有限基于数据驱动的评估技术能够处理复杂、非线性系统可以从大量数据中发现隐含征兆对数据质量和数量要求高对计算及存储资源要求高3）自动提取系统状态特征1）依赖于测量信息的精准性和稳定性基于状态估计的实时监测系统状态变化2）需要考虑运行环境等干扰评估技术的影响3）计算资源和算法效率要求高基于模型的健康评估技术（模拟结果对性能衰退、零件损坏或故障等系统健康状态进行评估分基于模型的健康评估方法面临如下问题和挑战：问题。为解决上述问题，当前的解决方案主要包括：采用参数辨识和优化技术，通过与实际观测数据的对比，对模型的参数进行校准和修正，提高模型的精度和可靠性。基于数据驱动的评估技术当前，基于数据驱动的健康评估存在如下问题和挑战：的问题。数据特性。运维数据通常具有维度高、体量大和关联强等特点，对于数据分析的高效性提出了严苛要求。针对上述问题，目前的解决方案主要包括：对于数据的高维度和复杂性，可以采用特征选择和降维技基于状态估计的评估技术器上搭载的各种传感器，如惯性测量单元（IMU、全球定位系统（GS、陀螺仪、加速度计等，收集系统运行过程中的各种数据。目前，基于状态估计的健康评估面临如下问题和挑战：为解决上述问题，当前的解决方案主要包括：理论代表成果在运维领域，具有代表性的理论研究成果包括：文献[147]针对指标复杂的燃油分配器，提出了基于改进云模型[148]C均值聚阶段性有效动态识别。文献[149]研究了一种基于双卡尔曼滤波算法SOHSage-Husa自适应算法实现高准确度在线估计。文献[150]以电池老化数据分析为出发点，结合方差筛选、灰色关联分析GRA和递归特征消除BPSOH状态估计。文献[151]首先提出一种基于无监督模型的航天器蓄电池值以及健康等级的变化情况。文献[152]采用模糊隶属度函数，利用改进DS[153]结合微纳卫星健康状态信息产生、传播特点，建立了微纳卫星Petri康状态评估。文献[155]设计了一种基于带属性可靠性的可解释信念（BRB-果的透明性和解释性。文献[156]提出了一种航天器空间动力系统的能可靠性评估。文献[157]针对航天器机电类关键部件存在性能退化（LSTM）网络的第9章 寿预测技术现有航天器寿命预测技术，一般可以分为以下三类：9.1表9.1 不寿命测技术优缺比分析寿命预测技术优点缺点基于失效机理的寿命预测技术具有较好的物理解释性，移植性好、精度高建立精确动态物理模型需要多学科交叉需要投入大量的人力和时间基于数据驱动的寿命预测技术无需深入理解系统的内部物理过程，适用于数据丰富且特严重依赖于历史运维数据迁移性差征明显的场合基于混合模型的寿命预测技术综合了失效机理和数据驱动的优势模型复杂多学科知识融合基于失效机理的寿命预测技术基于数据驱动的寿命预测技术该类技术通过收集提取运维数据中所蕴含的失效或性能退化信布模型、隐马尔可夫模型、基于人工免疫系统的串匹配等；形式化方法，模拟部组件或系统的运行过程、故障发生和petri基于混合模型的寿命预测技术理论代表成果在运维领域，具有代表性的理论研究成果包括：文献[159]（EM）EM而实现寿命的有效预测。文献[161]针对具有多退化变量的陀螺寿命CopulaCopula提出了一种基于混合模型的寿命预测方法，该方法将最小二乘支持向量回归（LSSVR）（HMM）HMM；LSSVRHMM[171]TEAMS进行了验证。文献[172]把基于轴承寿命方程的疲劳损伤累积模型和预测的不确定度。文献[173]开发了一种数据驱动的神经网络方法用于航天器驱动部件的剩余寿命预测，利用命令/响应信号以及液压数据来对该设备的剩余寿命进行预测。文献[174]发现了监控数据的变上，文献[175]提出了一种状态残留时间分布模型，结合随机滤波理论估计了某关键部件剩余寿命的分布。文献[176]引入了退化状态/局GNC[177]针对一类GNC式实现剩余寿命预测。文献[178]结合支持向量数据描述与移动地平提高剩余寿命（RUL）预测准确率。文献[179]提出了一种基于并行果卷积模块，提高剩余寿命指数估算的效率和准确性。文献[180]基RUL[181]SCINet第10章 航器智能精准运维技术的应用情况496410.1表10.1 世界航天国和地天器智精准的应用况国别/地区对象应用系统/方法优势/效果美国航天器航天器趋势分析系统（AMTAS）自主监测与分析GNC关键分系统运维数据国际空间站ISS归纳式监测系统IMS实时监视ISS控制力矩陀螺系统自由号空间站维护与诊断系统（MDS）对GNC分系统实施离线和在线两种模式的故障诊断“深空一号、“X-37”和“球观察卫星1号卫星Livingstone系统通过定性逻辑模型快速准确实现故障定位航天器中关键部组件基于相关向量机-粒子滤波的高功率锂电池寿命预测方法显著提高了预测精度GNC分系统关键部件多项式拟合与性能特性外推预测GNC分系统中激光陀螺的剩余寿命极紫外探险者统计模式识别方法确定系统的性能退化征（EUVE）卫星兆，预测GNC等分系统中相关部组件的剩余寿命地球同步轨道卫星机器人服务车（RSV）健康管理技术GEO器、维修太阳能电池阵列与天线故障等机械问题、修复有故障的推进系统欧洲航天器状态监视和异常预测系统（SAAPS）对GNC分系统的状态监视与故障预测准确率大于70%XMM-牛顿科学探测卫星交互式遥测数据分析工具识别数据异常偏差，评估设备的恶化程度，及时隔离设备故障SPOT系列卫星自主监控、故障检测和重构技术GNC分系统能够自主完成技术检验和功能检验SMART-1月球探测器故障诊断与重构系统具备在与地面测控站通讯长期中断时自主维持系统正常科学任务的能力某型号航天器DrMUST软件用于离线数据分析，准确识别异常模式日本HAYABUSA卫星监视和诊断专家系统（ISACS-DOC）GNC分系统的健康状况GEOTAIL航天器系统包含500个诊断规则的数据库，可快速分析航天器的运行状态中国“天宫”空间站控制力矩陀螺和动量轮等故障演化规律的建模能够在地面实现GNC分系统执行器微小缓变故障的有效监视与预警“资源一号”卫星具有智能接口的部件和模块级备份计算机具有一定自主故障诊断与重构能力“实验卫星一号”卫星和外部看门狗检测的故障检测和定位算法当发生看门狗触发事件恢复系统正常运行二代导航系统以频率稳定性作为特征量建立性能退化的Wiener过程模型良好的寿命预测结果美国美国作为世界上的头号航天强国，长期以来在状态监测、故障诊断与寿命预测等技术方面，取得了许多首次的成果应用与技术突破，为全球航天器智能精准运维技术的发展提供了示范用例。具有代表性的应用成果包括：AAGNC预测t项预测St项预测Tt项ARMA预测t项预测St项预测Tt项ARMA模型预测非参核函数预测非参最近邻预测BP神经网络预测用X11方法分解数据xt开始开始波动项波动项t季节项St趋势项Tt多项式拟合预测预测项叠加MPE、衰减系数计算预测项叠加MPE、衰减系数计算结束结果输出图10.1 监视治调整统的监视与障预程结束结果输出基于Factor）（Irregular季节因素、趋势因素和不规则因素三部分组成了在轨遥测数据。目前，NASA操作系统/执行制导导航与控制软件定义边界制导导航与控制 ADCS引导和导航给定角 PDIR/ 姿态度 MDSR 控制全局总线缓冲器和控制 本地总线缓冲器和控制全局总线RCSCMGSTISA本地总线GNC操作系统/执行制导导航与控制软件定义边界制导导航与控制 ADCS引导和导航给定角 PDIR/ 姿态度 MDSR 控制全局总线缓冲器和控制 本地总线缓冲器和控制全局总线RCSCMGSTISA本地总线图10.2 MDS的能简介BIT接口

维修辅助模块FDI接口FDI接口

MPAC接口

命令 维库通信和跟踪接口（程序间交流）原理图通信和跟踪接口（程序间交流）后勤

MDS控制智能数据简约将数据发送到离线处理对其他数据的请求

MDS控制（入轨）

预测模型推进器TBD推进器TBD趋势分析MPAC接口

离线接口输入输出

模型推理

TBDTBD历史信息启发式分类数据库接口离线维护诊断系统在线维修诊断系统图10.3 MDS的统组成表10.2 Livingstone系统的缺点析序号优点缺点1能够跟踪系统的运行状态只支持离散模型2故障检测、隔离和恢复可以定位到元器件级别只能根据指令转移运行模式，而不能自主转移3可以同时诊断两个或三个以上的故障在命令发布和系统响应之后有延迟4估计状态是来自于多传感器信息融合后的结果；当有未知观测信息时，推理引擎也可以搜索一个通用元件并不是总能定义成L2L2件，也需要特别考虑5对于L2模型，可以自主验证不能诊断渐变、缓慢故障6离散模型推理比连续模型推理慢，可以有足够的时间搜索参数理不太符合逻辑，难以让用户详细诊断结果；依靠一个知识的命令序列才能自主运行；3）闭环链路（主要是指残差反馈）会派生出许多回路（例如，控制回路影响系统的运行和诊断结果的准确性LivingstoneResearchCenter）L1L2两个版本，L3L1LISPC++L1,L210.2Livingstone（快速命题推理等算法，消除了人工智能中演绎和反推之间的突出矛10.4X-37”和“EarthObservingOne简单声明模型RTISCL组件RTI卫星试验状态

卫星/实验状态SCL传感器SCL

命令、观测 定时命令、察、诊断请Livingstone适配器数据总线……内存Livingstone适配器数据总线……卫星命令

SCL

调度、规划、执行与重规划SCL执行器调度、规划、执行与重规划SCL执行器卫星/实验状态 操作控制（MOC）地面处理单元（GPU）客户端图10.4 Livingstone系统在“EarthObservingOne”任中的体系构L2版本主要包括以下两个部分，其系统操作界面如图10.5所示。通用推理机（GeneralDiagnosticEngine，GDE）GDEGDE采用Livingstone（niurtnages（dedniictnMR（ModeReconfiguration被诊断航天器的定性模型L2此外，L2还有如下所述的两个辅助验证软件模块：模型验证模块（LivingstoneModelLMV）LMV可以对一个L2模型进行验证，并检查模型是否具有可诊断（SymbolicModel仿真验证模块（LivingstonePathLPF）LPFL2试平台上。尽管LPF主要应用于NASALivingstoneLPF图10.5 Livingstone系统L2版的型验证块界意图NASAAmesGaussian30%GNC1000hGNC分系统中关键部组件——激光陀螺的剩余寿命。FailureAnalysis公司在EUVEGNC[182]2016启动“地球同步轨道卫星机器人服务”（RSGS）项目，旨在建立地（该项目合作的商业公司主要负责研发能够携带有效载荷并执行服务任务的RSV，美国政府负责研发机器人有效载荷，同时还将提升任欧洲瑞典空间物理学院研制了航天器状态监视和异常预测系统（AGNC70%SAAPS主要由以下三部分组成，具体如下：空间环境和航天器异常数据库该数据库包括：空间环境数据和航天器异常数据。空间环境数据组成。通过定义时间序列对象（TO，来指定参数和时间段，进而可TSO数据。所有的模型和工具都在TSO空间环境异常分析工具生原因。该工具向用户提供与航天器异常有关的空间天气数据进行飞行Javaappletweb10.6所示。图10.6 SAAPS件的主界面空间环异常工具）环境预测和故障预测模型10.7图10.7 SAAPS件的主界面环境预和故警模型）图10.8 基于预警的量轮处置效果意大利的VITROCISET公司为欧盟发射的XMM-Newton科学探GNC等分GNC10.8所示。XX行轨道可令其长时间、不间断观测深空。它是迄今为止最灵敏的X170多片薄片圆柱体镜面来收集和聚焦X。120X（GX卫星让欧洲天文学界获得了诸多突破，如观测到迄今10.910.10所示。图10.9 XMM-Newton科探测星图10.10 XMM-Newton科学测卫的GNC分统组示意图uy过程故障信息模型正常运行εy_y_模型故障n模型故障1uy过程故障信息模型正常运行εy_y_模型故障n模型故障1ε…ε故障隔离故障检测...…图SPOT列卫星故障与隔离意图…ESA（）GNC故障注入显示正常或失效数据正常数据失效数据分析数据失败情景正常故障注入显示正常或失效数据正常数据失效数据分析数据失败情景正常子系统模拟器检测识别恢复失败注入输出显示输出显示检测/识别显示器检测/识别显示器图10.12 月球测器故检测与离架意图欧空局（ESA）DrMUST日本日本的应用成果集中于故障诊断与健康评估两个方面，主要包括：JAXA（）卫（IACSOGNC所示。ISACS-DOC具备以下六部分功能：数据导入功能：（。遥测接收功能：监测数据生成功能：状态监测与故障预测功能：根据知识数据库的定义，利用结果显示功能：邮件通知功能：图10.13 ISACS-DOC的作示图是JAXA是将AUA小行星543Ioaw地球10.14图10.14 卫星ISACS-DOC系500ISACS-DOC的优缺点如下所示：优点：缺点：10.4 中国在状态监测方面，我国正逐渐重视对状态监测技术的验证与确（CMNC分系GNC前为止，还没有真正形成一个完整的状态监测与故障预测的技术体8090敏感器和执行器重构等冗余控制方法都在中国已发射或在研型号中GNC第章 航天器智能精准运维技术的发展趋势与键技术发展趋势GNC星群星座管控224（）（天地一体深远空间探测针对未来深远空间探测任务面临的超远探测距离、超长任务周统效能。（运维机制关键技术全天时、全天候的天基协同分布式运维机制力。跨时空、跨平台的数据增强与样本扩充技术③劣质样本质量提升技术：考虑系统的异构特性及其带来的不多样化、通用化的算力提升与边缘装置研制GNC环境的极端性以及计算资源的受限性，传统的高效算法标准不再适间、空间性能，实现适用于边缘计算的高效算法。高动态、自适应的模型轻量与算法优化技术第12章结束语能精准运维分布式体系框架，实现了运维模型的高效训练与安全共0参考文献袁利,黄煌.空间飞行器智能自主控制技术现状与发展思考[J].空间控制技术与应用,2019,45(47-18.王大轶,符方舟,刘成瑞,等.控制系统可诊断性的内涵与研究综述[J].自动化学报,2018,44(91537-1553.SAAR-TSECHANSKYM,PROVOSTF.Handlingmissingvalueswhenapplyingclassificationmodels[J].JournalofMachineLearningResearch,2007,8:1625-1657.ZEMICHEALT,DIETTERICHTG.Anomalydetectioninthepresenceofmissingvaluesforweatherdataqualitycontrol[C]//Proceedingsofthe2ndACMSIGCASConferenceonComputingandSustainableSocieties.NewYork,NY,USA:AssociationforComputingMachinery,2019:65-73.SUNB,MAL,CHENGW,etal.Animprovedk-nearestneighboursmethodfortraffictimeseriesimputation[C]//2017ChineseAutomationCongress(CAC).Jinan,China:IEEE,2017:7346-7351.QUINLAN,J.ROSS.C4.5:ProgramsforMachineLearning[M].SanMateo,CA:MorganKaufmannPublishers,1993.CAOW,WANGD,LIJ,etal.Brits:Bidirectionalrecurrentimputationfortimeseries[J].AdvancesinNeuralInformationProcessingSystems,2018,31.CHEZ,PURUSHOTHAMS,CHOK,etal.Recurrentneuralnetworksformultivariatetimeserieswithmissingvalues[J].Scientificreports,2018,8(1):6085.CHAWLANV,BOWYERKW,HALLLO,etal.SMOTE:syntheticminorityover-samplingtechnique[J].JournalOfArtificialIntelligenceResearch,2002,16:321-357.HEH,BAIY,GARCIAEA,etal.ADASYN:Adaptivesyntheticsamplingapproachforimbalancedlearning[C]//2008IEEEInternationalJointConferenceonNeuralNetworks(IEEEworldcongressoncomputationalintelligence).HongKong,China:IEEE,2008:1322-1328.JIH,XIEK,WENJ,etal.Finemon:Aninnovativeadaptivenetworktelemetryschemeforfine-grained,multi-metricdatamonitoringwithdynamicfrequencyadjustmentandenhanceddatarecovery[J].ProceedingsoftheACMonManagementofData,2024,2(1):1-26.MIT,TANGD,FUJ,etal.DataaugmentationforbiascorrectioninmappingPM2.5basedonsatelliteretrievalsandgroundobservations[J].GeoscienceFrontiers,2024,15(1):101686.杨光友,刘浪,习晨博.自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断[J].,2022,33(131613-1621.ARJOVSKYM,CHINTALAS,BOTTOUL.Wassersteingenerativeadversarialnetworks[C]//Internationalconferenceonmachinelearning.Sydney,Australia:PMLR,2017:214-223.ALOLAIMATM,LEED,KIMY,etal.Alearning-baseddataaugmentationfornetworkanomalydetection[C]//202029thInternationalConferenceonComputerCommunicationsandNetworks(ICCCN).Hawaii,USA:IEEE,2020:1-10.PRAVEENMR,CHOUDHURYS,KUCHHALP,etal.Univariateexploratorydataanalysisofsatellitetelemetry[J].InternationalJournalofSatelliteCommunicationsandNetworking,2024,42(1):57-85.吕琛.[M].北京:,2012.郭小红,徐小辉,赵树强,等.基于新息灰预测的卫星遥测参数状态预测及应用[J].宇,2010(81939-1943.IAMSUMANGC,MOSLEHA,MODARRESM.ComputationalalgorithmfordynamichybridBayesiannetworkinon-linesystemhealthmanagementapplications[C]//2014internationalconferenceonprognosticsandhealthmanagement.Cheney,WA,USA:IEEE,2014:1-8.COLANTONIOS,DIBONOMG,PIERIG,etal.Systemhealthstatemonitoringusingmultilevelartificialneuralnetworks[C]//2005IEEEInternationalConferenceonComputationalIntelligenceforMeasurementSystemsandGiardiniNaxos,Italy:IEEE,2005:50-55.KUMARVS,SRINIVASANR,AMARESHN,etal.Modelingofvariousphasesofmicrosatelliteusingtimedpetrinets[C]//2007InternationalConferenceonSignalProcessing,CommunicationsandNetworking.Chennai,India:IEEE,2007:195-198.朱丽莎,姜斌,程月华,等.一种卫星遥测参数动态ARMA建模方法[J].航天控制,2017,35(0237-43+50.LOSIKL.Stoppinglaunchpaddelays,launchfailures,satelliteinfantmortalitiesandonorbitsatellitefailuresusingtelemetryprognostictechnology[J].InternationalTelemeteringConferenceProceedings,2007,43:1-10.彭宇,刘大同.数据驱动故障预测和健康管理综述[J].仪器仪表学报,2014,35(3):481-495.ZHANGX,WANGX,TIANH.Spacecraftinorbitfaultpredictionbasedondeepmachinelearning[C]//The2020secondInternationalConferenceonArtificialIntelligenceTechnologiesandApplication(ICAITA).Dalian,China:IOPPublishing,2020,1651:012107.IBRAHIMSK,AHMEDA,ZEIDANMAE,etal.Machinelearningmethodsforspacecrafttelemetrymining[J].IEEETransactionsonAerospaceandElectronicSystems,2018,55(4):1816-1827.HULQ,HECF,CAIZQ,etal.Trackcircuitfaultpredictionmethodbasedongreytheoryandexpertsystem[J].JournalofVisualCommunicationandImageRepresentation,2019,58:37-45.SONGK,ZHAOC,LIUJ,etal.Researchonsatellitesfaultdiagnosismethodbasedonartificialintelligence[C]//2021InternationalConferenceonInformationTechnologyandIntelligentControl(CITIC2021).Guilin,China:IOPPublishing,2021,2005(1):012102.刘强,周经伦,金光,等.基于随机阈值的Gauss-Brown失效物理模型的动量轮可靠性评估[J].,2009(52109-2115.南熠.[D].哈尔滨:2014.DAIC,PID,FANGZ,etal.Anovellong-termpredictionmodelforhemisphericalresonatorgyroscope’sdriftdata[J].IEEEsensorsJournal,2014,14(6):1886-1897.GAOY,YANGT,LIW,etal.StatetrendpredictionofspacecraftusingPSO-SVR[C]//Proceedingsofthe27thConferenceofSpacecraftTT&CTechnologyinChina.China:Springer,2015:337-345.房红征,史慧,韩立明,等.基于粒子群优化神经网络的卫星故障预测方法[J].计算机,2013,21(71730-1733,1745.马凯航,高永明,李磊,等.基于遥测数据的在轨卫星性能预测方法研究[J].现代电子技术,2017,40(211-5,9.MINL,NINGYUNL,YUEHUAC,etal.Data-basedincipientfaultdetectionandpredictionforsatellite’sattitudecontrolsystem[C]//201729thChineseControlandDecisionConference(CCDC).Chongqing,China:IEEE,2017:1202-1207.李培华,杨海龙,孙伶俐,等.灰预测与时间序列模型在航天器故障预测中的应用[J].,2011,19(1111-113.肖飞.基于时间序列分析和智能算法的故障预测方法研究[D].北京:北京化工大学,2014.戴维夫.卫星在轨状态异变的演变趋势分析与预测算法研究[D].成都:电子科技大学2016.LIUD,LUOY,PENGY,etal.Lithium-ionbatteryremainingusefullifeestimationbasedonnonlinearARmodelcombinedwithdegradationfeature[C]//AnnualConferenceofthePHMSociety.Minnesota,USA:PHMSociety,2012,4(1).吴明辉,许爱强,周小程,等.基于时间序列分析的动调陀螺仪故障预测研究[J].计算,2014,22(2321-324.ELSAIDA,WILDB,HIGGINSJ,etal.UsingLSTMrecurrentneuralnetworkstopredictexcessvibrationeventsinaircraftengines[C]//2016IEEE12thInternationalConferenceone-Science(e-Science).Baltimore,Maryland,USA:IEEE,2016:260-269.HEY,GAOX,CHENF,etal.Missing-signaltolerantconditionmonitoringviamultiscalefeaturesanddomainadaptation[J].IEEETransactionsonInstrumentationandMeasurement,2024,73:1-14.ZHANGY,FANL,MUC,etal.Researchonspacecraftinorbitperceptionbasedonartificialneuralnetworksanddigitaltwintechnologyusinggratingarrays[J].Opt.Express,2024,32:13065-13081.姜连祥,李华旺,杨根庆,等.航天器自主故障诊断技术研究进展[J].宇航学报,2009,30(41320-1326..[D].沈阳:2019.王少琦.面向稀疏传感工业过程的故障诊断方法研究及应用[D].杭州:浙江大学,2024.,,.t-OPT[J].制2023,410326-32.王欣,.35kV10kV[J].,2024,53(0680-84.,.[J].,2021,37(1215-18.梁寒玉,张文瀚,王振华,等.基于集员估计的卫星飞轮故障检测与预测方法[J].航空学报,2022,43(03505-516.李楠,,.[J].宇航学报,2011,32(61327-1332.魏轩,慕晓冬,曾昭菊,等.基于残差网络的航天器测控系统诊断[J].兵器装备工程学报,2023,443254-260.孙昊.数据驱动的导航卫星故障检测与预测方法研究与系统实现[D].北京:中国电子,2023.黄瑾,刘洋,钟麦英,等.利用随机森林算法的卫星控制系统故障诊断[J].宇航学报,2021,42(04513-521.庞景月,赵光权.数字孪生驱动多算法自适应选择的空间电源系统故障检测[J].电子,2022,36(691-99.IIYAMAK,NEAMATID,GAOG.AutonomousConstellationFaultMonitoringwithInter-SatelliteLinks:ARigidity-BasedApproach[C]//Proceedingsofthe37thInternationalTechnicalMeetingoftheSatelliteDivisionofTheInstituteofNavigation(IONGNSS+2024).Baltimore,MD:InstituteofNavigation,2024:2807-2824.CUÉLLARS,SANTOSM,ALONSOF,etal.Explainableanomalydetectioninspacecrafttelemetry[J].EngineeringApplicationsofArtificialIntelligence,2024,133:108083.LIT,BAIREDDYS,COMERM,etal.MultichannelAnomalyDetectionforSpacecraftTimeSeriesUsingMAPEstimation[J].IEEETransactionsonAerospaceandElectronicSystems,2024,60(5):5842-5855.LAKEYD,SCHLIPPET.Acomparisonofdeeplearningarchitecturesforspacecraftanomalydetection[C]//2024IEEEAerospaceConference.BigSky,Montana,USA:IEEE,2024:1-11.PRAJJWALYASH,SHARVARIGUNDAWAR,NITISHKUMAR,etal.Multiforecast-basedEarlyAnomalyDetectionforSpacecraftHealthMonitoring[C]//Proceedingsofthe7thJointInternationalConferenceonDataScience&ManagementofData(11thACMIKDDCODSand29thCOMAD).NewYork,NY,USA:AssociationforComputingMachinery,2024:275-283.LIH,ZHANGM,ZHANGX,etal.Researchonspacecraftanomalydetectionmethodbasedonneuralnetworks[C]//FourthInternationalConferenceonSensorsandInformationTechnology(ICSI2024).Xiamen,China:SPIE,2024,13107:55-62.WUY,DAIHN,TANGH.Graphneuralnetworksforanomalydetectioninindustrialinternetofthings[J].IEEEInternetofThingsJournal,2021,9(12):9214-9231.邢琰,吴宏鑫,王晓磊,等.航天器故障诊断与容错控制技术综述[J].宇航学报,2003,24(3221-226.PATTONRJ,FRANKPM,CLARKRN.Issuesoffaultdiagnosisfordynamicsystems[M].London,NewYork:Springer,2000.FRANKPM.Faultdiagnosisindynamicsystemsusinganalyticalandknowledge-basedredundancy:asurveyandsomenewresults[J].Automatica,1990,26(3):459-474.FRANKPM.Analyticalandqualitativemodel-basedfaultdiagnosis–asurveyandsomenewresults[J].EuropeanJournalofControl,1996,2(1):6-28.SHAOH,JIANGH,WANGF,etal.Anenhancementdeepfeaturefusionmethodforrotatingmachineryfaultdiagnosis[J].Knowledge-BasedSystems,2017,119:200-220.SUNJ,XIAOZ,XIEY.Automaticmulti-faultrecognitioninTFDSbasedonconvolutionalneuralnetwork[J].Neurocomputing,2017,222:127-136.QIUX,RENY,SUGANTHANPN,etal.Empiricalmodedecompositionbasedensembledeeplearningforloaddemandtimeseriesforecasting[J].AppliedSoftComputing,2017,54:246-255.LUC,WANGZ,ZHOUB.Intelligentfaultdiagnosisofrollingbearingusinghierarchicalconvolutionalnetworkbasedhealthstateclassification[J].AdvancedEngineeringInformatics,2017,32:139-151.DONGY.Anapplicationofdeepneuralnetworkstothein-flightparameteridentificationfordetectionandcharacterizationofaircrafticing[J].AerospaceScienceandTechnology,2018,77:34-49.任浩,屈剑锋,柴毅,等.深度学习在故障诊断领域中的研究现状与挑战[J].控制与决策,2017,32(81345-1358.JIANGH,LIX,SHAOH,etal.Intelligentfaultdiagnosisofrollingbearingsusinganimproveddeeprecurrentneuralnetwork[J].MeasurementScienceandTechnology,2018,29(6):065107.SHAOH,JIANGH,LIX,etal.Rollingbearingfaultdetectionusingcontinuousdeepbeliefnetworkwithlocallylinearembedding[J].ComputersinIndustry,2018,96:27-39.HAIDONGS,HONGKAIJ,XINGQIUL,etal.Intelligentfaultdiagnosisofrollingbearingusingdeepwaveletauto-encoderwithextremelearningmachine[J].Knowledge-BasedSystems,2018,140:1-14.AHMEDHOA,WONGMD,NANDIAK.Intelligentconditionmonitoringmethodforbearingfaultsfromhighlycompressedmeasurementsusingsparseover-completefeatures[J].MechanicalSystemsandSignalProcessing,2018,99:459-477.SHAOH,JIANGH,ZHAOH,etal.Anoveldeepautoencoderfeaturelearningmethodforrotatingmachineryfaultdiagnosis[J].MechanicalSystemsandSignalProcessing,2017,95:187-204.姜洪开,邵海东,.[J].,2019,55(727-34.宋佳,石若凌,郭小红,等.基于核极限学习机的飞行器故障诊断方法[J].清华大学学报(),2020,60(10795-803.AHNH,JUNGD,CHOIHL.Deepgenerativemodels-basedanomalydetectionforspacecraftcontrolsystems[J].Sensors,2020,20(7):1991.耿飞龙,李爽,,等.[J].,2020,40(61-12.YINS,XIAOB,DINGSX,etal.Areviewonrecentdevelopmentofspacecraftattitudefaulttolerantcontrolsystem[J].IEEETransactionsonIndustrialElectronics,2016,63(5):3311-3320.LIK,WUY,SONGS,etal.AnovelmethodforspacecraftelectricalfaultdetectionbasedonFCMclusteringandWPSVMclassificationwithPCAfeatureextraction[J].ProceedingsoftheInstitutionofMechanicalEngineers,PartG:JournalofAerospaceEngineering,2017,231(1):98-108.倪平,闻新.基于循环神经网络的卫星姿态执行器故障诊断[J].中国空间科学技术,2021,41(4121-126.万磊,,蒋寒.[J].,2021,29(95-9,22.WANGR,CHENGY,XUM.Analyticalredundancybasedfaultdiagnosisschemeforsatelliteattitudecontrolsystems[J].JournaloftheFranklinInstitute,2015,352(5):1906-1931.BALDIP,BLANKEM,CASTALDIP,etal.Combinedgeometricandneuralnetworkapproachtogenericfaultdiagnosisinsatelliteactuatorsandsensors[J].IFAC-PapersOnline,2016,49(17):432-437.MARZATJ,PIET-LAHANIERH,DAMONGEOTF,etal.Model-basedfaultdiagnosisforaerospacesystems:asurvey[J].ProceedingsoftheInstitutionofMechanicalEngineers,Part